说话人识别就是使用说话人的语音特征对说话人的身份进行辨认或确认。与虹膜、指纹以及人脸等其它常用的生物特征相比，说话人语音特征具有方便、友好以及成本低廉等优点，语音信号处理技术的发展也相对成熟，故说话人识别已成为最容易被推广和被接受的身份鉴别方式之一。随着通讯和互联网技术的飞速发展，很多跟语音密切相关的业务亟待展开，而实用可靠的身份鉴别则是许多业务得以顺利推广实现的基础，因此说话人识别有着广阔的应用前景和迫切的现实需求，对说话人识别技术的研究具有重大实际意义。　　 新的业务产生了新的需求，小样本数、可控安全级别、简便易用等一系列新需求都是目前常用的说话人识别算法尚未仔细考虑的。由王守觉院士所提出的仿生模式识别理论以同源连续性为基础，用“认识”思想取代了传统模式识别的“划分”思想，目标是寻求对同源样本在特征空间中分布的最优覆盖，更接近人类认知本质，具有训练样本需求少、误识率低、正确拒识率高以及训练方法简单等一系列优点，本论文研究工作的目的就是要将仿生模式识别理论推广应用到说话人识别中，以得到更好更实用的说话人识别算法。　　 本论文分析了说话人识别问题的同源连续性性质，提出了说话入识别的仿生模式识别模型和相应的双权值神经网络实现，设计了一种适用于在特征空间中具有一维流形分布的识别问题的通用学习算法，提出了网络匹配度定义并作为说话人识别的判据，采用这一判据不仅可以很好的解决说话人发音特征的不稳定性问题，还可以实现对识别系统安全级别的灵活调控。　　 本论文实现了超香肠神经元网络和超椭球神经元网络两种说话人识别神经网络并进行了效果对比，实验结果表明本论文提出的基于仿生模式识别的说话人识别算法在文本相关的说话人识别应用中有非常突出的性能，优于目前说话人识别的基准算法——矢量量化算法的识别结果。本论文还提出了一种结合聚类算法和仿生模式识别的说话人识别算法，该算法可以在有效压缩数据量的基础上得到很好的识别结果，是一种非常有实用价值的说话人识别算法。